集合百分位融合法在廣東臺風降水預報中的改進*

張華龍 程正泉 肖柳斯 吳乃庚 羅 聰

1 廣東省氣象臺，廣州 510640 2 廣州市氣象臺，廣州 511430 3 廣東省生態氣象中心，廣州 510640

提 要： 基于歐洲中期天氣預報中心(ECMWF)集合預報的客觀檢驗結果，構建了針對廣東臺風降水的最優百分位融合產品，檢驗表明強降水風險評分(TS)較集合平均產品提升顯著，預報時效越長，提升幅度越大，但預報偏差(Bias)與虛警率(FAR)也相應增大。最優百分位融合產品的強降水預報范圍偏大與臺風路徑預報的發散度有較大關聯，因融合產品在較大降水量級采用高百分位進行映射，強降水的融合結果與各成員強降水落區的并集接近，臺風路徑越發散，各成員強降水落區的空間位置通常也更發散，造成融合產品預報的強降水落區范圍偏大。為克服這一缺陷，引入集合預報對某一降水閾值的概率預報指標，通過該指標判識可能存在明顯空報的強降水預報，從而改進最優百分位融合產品，在測試期，改進后的融合產品暴雨TS在維持的情況下，Bias從1.27下降至1.03，FAR從0.51下降至0.43；預報時效越長，融合產品Bias的改進效果越顯著，TS的提升幅度也越大。上述改進可為業務中提供強降水范圍更合適、落區更準確的網格定量降水客觀產品。

引 言

廣東省擁有漫長的海岸線，是我國受臺風影響最嚴重的省份之一。登陸臺風會引起沿海地區的強降水，造成山洪爆發或誘發地質災害。廣東地區的極端降水記錄與登陸臺風密切相關(江漫和漆梁波，2016；夏侯杰等，2017)。過去幾十年，在臺風路徑預報取得了巨大進步的背景下，臺風降水預報能力的進步仍十分有限(Leroux et al，2018)。影響臺風降水的因子較多(陳聯壽等，2017；任福民和楊慧，2019)，對臺風路徑、強度、渦旋結構、臺風環流與周圍環境大氣相互作用和下墊面強迫等上述任一因子的預報不足均會直接影響臺風降水預報能力。目前數值預報模式對臺風降水預報能力仍十分有限(任福民和向純怡，2017)，對于登陸臺風的強降水預報，24 h降水量大于250 mm的公平風險評分(equitable threat score, ETS)不足0.1(Yu et al，2020)，長時效的預報水平更低。模式對臺風降水預報的誤差主要來源于臺風降水形態預報的差異(Chen et al，2018)與對極端降水的低估(Yu et al，2020；王新敏和栗晗，2020)，即表現為對臺風降水空間分布和局地降水強度預報的不足，難以滿足目前網格預報業務精準化的需求。

近年來，應用集合預報對臺風降水預報方法開展的研究逐漸變得活躍起來(Wu et al，2018；Teng et al，2020)。利用集合預報進行降水后處理有較大優勢：一方面，離散的集合成員有更大概率包含極端天氣信息，是目前解決極端天氣預報問題的一個重要工具(高麗等，2019)；另一方面，多個集合預報成員的共有信息是集合系統中可預報性較高的成分，因此針對性的后處理方法具有比單個成員更高的預報技巧(杜鈞和李俊，2014)。目前已有數十種針對降水集合預報的后處理方法(代刊等，2018；蘇翔和袁慧玲，2020)，且相關方法在國家/省級精細化網格預報業務中發揮重要的支撐作用(諶蕓等，2021；羅聰等，2021)。集合最優百分位值融合法(代刊等，2016)是國家氣象中心發展的一種降水集合預報客觀訂正技術，主要思路是對不同的降水閾值，以評分最優的集合百分位映射。2013—2015年夏季降水的風險評分(threat score,TS)檢驗結果表明，最優百分位融合產品與預報員主觀預報相當(代刊等，2016)，由于該方法的百分位值選取可按照不同季節、區域、預報時效、歷史資料時段而變化，因此采用針對特定區域和季節的百分位值參數會獲得更優效果(陳圣劼等，2019)。該方法以檢驗評分為依據，側重于對降水量級的調整，因此研究人員也嘗試將該方法與其他方法融合(陳博宇等，2015；2016)，以集成不同方法的優勢。

廣東省于2013年開展基于集合預報的研究與業務應用，張華龍等(2017)針對不同的季節集合預報百分位產品進行檢驗。隨后基于檢驗結果，曾沁和胡勝(2019)研發了本地化的最優百分位融合產品。通過檢驗發現，對特定類型降水專門設計融合參數將使產品具有更優表現：對于強降水(大雨以上)預報，針對臺風降水的百分位融合產品較針對各季節的百分位融合產品具有更高的TS評分。降水評分的季節性差異原因復雜，但臺風降水較高的TS與數值模式對臺風系統較好的預報能力密切相關。臺風降水區域和臺風路徑密切相關，降水強度通常以臺風為中心呈軸對稱分布(Yu et al，2017)，因此較好的臺風路徑預報能力將有助于降水預報技巧提升。在臺風臨近登陸時，其路徑預報不確定性較小，采用最優百分位融合法具有較其他類型降水更顯著的訂正效果，這體現了針對臺風降水開發最優百分位產品的必要性。

然而，臺風的路徑預報誤差隨預報時效增長而不斷增大，路徑預報的不確定性將在多大程度影響融合產品的預報能力？針對這一問題的檢驗評估有助于在業務中更好理解和使用該產品。另一方面，TS評分是選取百分位的唯一依據，為獲取小概率事件的高評分，融合產品傾向于使用較高的百分位映射大量級的降水預報，使融合產品較其他釋用產品具有更高的偏差(陳圣劼等，2019)和更多的強降水空報，過大范圍的強降水落區預報將不利于采取精準有效的防災措施。為克服這一缺陷，本文在分析評估臺風預報不確定性對融合產品影響的基礎上，基于集合成員不確定性信息引入一個定量指標，用于改進融合方法，使融合產品在維持強降水高TS評分的同時，顯著降低正偏差與空報率，為業務制作臺風降水的精細化預報提供更有效的支撐。

1 數據和方法

1.1 研究數據

本文利用歐洲中期天氣預報中心(ECMWF)集合預報系統的降水預報進行釋用。ECMWF集合預報系統包含1個控制預報和50個擾動成員，模式水平分辨率約為16 km，輸出產品水平分辨率為0.5°，時間分辨率為6 h，集合預報系統的具體參數及詳細情況可參見ECMWF(2018)官方技術文檔(https:∥www.ecmwf.int/en/publications/ifs-documentation)。Huang and Luo(2017)對多個全球集合預報模式在華南前汛期的降水預報表現進行評估，認為ECMWF集合預報在所有預報產品中具有最優的預報技巧。ECMWF集合預報各成員臺風路徑預報資料來自全球交換式大集合數據集(TIGGE)的熱帶氣旋交換數據，該資料包含了每個成員預報的TC中心位置、最低海平面氣壓以及中心附近最大風速。

融合產品/改進方法的訓練期和測試期分別為2013—2017年、2018—2019年所有登陸或嚴重影響廣東的臺風對應的降水日。臺風降水日的選取標準為：對于直接登陸或者中心移入廣東省預報責任海區的臺風，從進入責任海區開始到臺風離開責任海區、停止編號或登陸后離開廣東省陸地邊界所對應覆蓋時間段作為臺風影響時段；以每日20時作為降水日界線，臺風影響時段的首尾兩端不足一日的也歸為臺風降水日。經上述處理，2013—2019年臺風降水日共有95 d。

模式釋用與檢驗使用的地面資料為廣東區域范圍內地面氣象站(包含基本站和自動站)的日雨量數據，為保證不同降水日的實況數據穩定性，僅選用在所有臺風降水日數據均正常的站點資料，站點數目為2 031個。

1.2 集合釋用與檢驗指標

最優百分位融合法是目前在國家氣象中心運行的集成方法(代刊等，2016;2018)，思路是將不同預報百分位在不同降水等級預報優勢集成起來，采取以下處理方式：

若PXk(Mi)≥Tk,則Fi=PXk(Mi)

k∈(1,2,3,4,5,6)

(1)

式中:Fi為不同格點i的最優百分位預報值，Mi為格點i的集合成員預報，PXk()表示百分位Xk的計算函數，Tk為預先設定的降水閾值，Xk則為Tk對應的最優百分位。在具體融合過程中，應用基于2013—2017臺風降水日檢驗得到的不同降水量級的最優百分位參數進行融合，并將融合產品應用于2018—2019年臺風降水日進行測試評估。

評價產品性能以風險評分(TS)、偏差(Bias)、命中率(POD)、虛警率(FAR)等多個檢驗指標為依據(Yu et al，2020)。預報產品與站點實況的比對規則為：使用雙線性插值方法，將格點預報產品插值到站點上，并利用站點日雨量實況進行比對和指標計算。

2 臺風降水最優百分位融合法評估與分析

2.1 檢驗評估結果

最優百分位融合產品(簡稱融合產品，下同)實現了在不同降水量級利用不同百分位場進行映射。對于不同時效產品，各量級降水選取的最優百分位值是不同的，需通過檢驗得到。另一方面，最優的百分位不一定對應最優偏差(即Bias接近1)，有可能是以過度空報的技巧得到較高的TS。因此在應用融合產品前，需全面理解各百分位產品的具體表現。圖1為不同百分位產品在不同量級降水中的Roebber檢驗圖，該圖能直觀地展示空報率、漏報率、TS與Bias多個檢驗指標(Roebber,2009)。可見，隨著降水量級增大，各個百分位TS和POD均下降，對應最優TS也同步下降。最優TS對應的百分位在中雨以上量級均高于50%，隨著量級增大，對應最優TS的百分位越高。

最優TS分位場的降水預報能力隨著預報時效增大而相應下降；但在較長預報時效，最優TS較50%分位數TS的提升幅度更高，表明融合方法在長預報時效具有更大的應用潛力。從長時效預報(84 h以上)的高、低百分位產品對比還可發現，較高的百分位在不同預報時效的TS差異較小，隨著百分位值逐漸降低，TS差異增大，這一特征在強降水預報(圖1c，1d)更為明顯。若按融合法思路，分別以高、低百分位降水場作為強降水與普通降水的定量預報，則強降水預報的不確定性對檢驗評分影響較普通降水預報相對較小，即融合產品在長時效對強降水的預報更加穩定，也更具有應用優勢。另外隨著預報時效增長，最優分位場對應的暴雨和大暴雨的Bias有顯著的增大趨勢，意味著最優百分位融合產品將在較長的預報時效具有顯著空報的特征。

2.2 臺風預報的不確定性對融合產品的影響

當模式對臺風預報不確定性更大時，集合成員預報臺風暴雨落區更發散，從而導致高分位數的暴雨落區過大以及Bias增大。以2018年的“艾云尼”和“山竹”兩次臺風過程為例，“艾云尼”是在南海中部形成的臺風，生成后移動緩慢、生命史長，臺風強度較弱，模式預報的不確定性大；從ECMWF集合預報的各成員臺風路徑預報(起報時為2018年6月5日20時)可見(圖2a)，起報時后的12～72 h，各成員的移向逐漸趨于發散，且各成員預報臺風強度均較弱，在6月7日14時(預報時效42 h)，各成員預報臺風為熱帶低壓或熱帶風暴級別(圖2c紅色標記)，較弱的臺風易受周圍環流與下墊面的影響，導致降水具有不對稱分布特征，加之當臺風移速緩慢，地形與臺風環流長時間相互作用，降水分布不均勻，致使各成員降水預報具有更大不確定性。

臺風山竹于9月7號在太平洋中部形成。在“山竹”生命史期間，環流形勢穩定，所有成員對“山竹”路徑和強度預報均趨于一致，多數成員預報臺風登陸前達到強熱帶風暴級別的強度(圖2d紅色標記)。由于臺風強度強，結構對稱，臺風移動速度快，降水時段集中，因此各成員對“山竹”降水預報的落區均較為一致。

由于臺風降水與臺風位置具有密切關系，因此分散的臺風位置預報(圖2a)使“艾云尼”各成員的強降水區也更離散，融合產品的強降水預報也具有更大范圍。從圖3c可見，100%分位降水的暴雨覆蓋廣東、廣西大部分區域，而當百分位數下降，暴雨范圍急劇縮小，以最優百分位融合產品為例，90%分位數暴雨落區(圖3b的融合產品暴雨落區)僅分布在廣東的西部，與實況暴雨落區具有位置偏差，主要是由集合各成員的路徑預報偏差所致；由于暴雨落區離散，相同站點預報暴雨的成員較少，因此融合產品的暴雨區內的暴雨概率較低(10%～30%)；與“艾云尼”相比，“山竹”成員預報強降水落區更集中，100%分位產品預報的暴雨落區內暴雨概率(圖3f)較高(70%～90%)，各分位產品對應的暴雨落區與TS差異均較小。

圖2 ECMWF集合預報各成員對“艾云尼”(a，c)和“山竹”(b，d)臺風路徑(a，b)和強度(c，d)預報(圖2a，2b中黑點代表起報時各成員的臺風中心位置，紅點代表預報時效為48 h的臺風中心位置，灰線為各成員路徑預報，預報時長為72 h；圖2c，2d箱線圖對應臺風中心附近最大10 m風速，不同的臺風強度等級以預報風速劃分，紅框對應集合預報對臺風強度預報最強的時刻)Fig.2 Members of ECMWF ensemble system forecasting the typhoon tracks (a, b) and intensities (c, d) of ‘Ewiniar’ (a, c) and ‘Mangkhut’ (b, d) (Black and red dots in Figs.2a, 2b respectively represent the typhoon center at initial time and the forecast typhoon center at 48 h lead time of each member; gray lines are forecast path of each ensemble member, and forecast lead time is 72 h; boxplots in Figs.2c, 2d correspond to the maximum sea surface wind speed near the typhoon center, the force of typhoons is divided by the forecasted wind speed;red marks correspond to the time when the typhoon intensity of ensemble forecast is strongest)

圖3 2018年6月8日20時(a～c)與9月17日20時(d～f)實況日雨量(a,d)、最優百分位融合產品(b,e)，100%分位產品(大)暴雨落區和暴雨概率(c,f)(預報時效均為72 h；圖3c，3f中紅色實線、虛線分別對應100%分位產品暴雨、大暴雨落區，填色對應預報暴雨成員占總成員數比例)Fig.3 Daily precipitation of observation (a, d), the optimal percentile fusion products (b, e), the range of severe (torrential) rain and the torrential rain probability of maximum products (c, f) at 20:00 BT 8 June (a-c) and 20:00 BT 17 September (d-f) 2018(The forecast lead time is 72 h; solid red and dotted red lines in Figs.3c, 3f respectively correspond to the torrential rain and the severe torrential rain area of maximum products, colored grades correspond to the proportion of members forecasting torrential rain in the total number of members)

上述兩個臺風是預報發散度差異明顯的典型過程。研究表明，成員之間路徑預報的一致性與暴雨預報技巧具有一定關系(何斌等，2020)，對類似“艾云尼”的路徑預報發散的臺風，采用較高的百分位降水擴大暴雨預報落區，是一個提高TS評分的策略，但也會導致暴雨預報范圍過大，空報增加，這也是融合產品在業務應用中存在的主要問題。為克服這一缺陷，需要進一步優化融合策略，使其在保留較高預報技巧的基礎上，具有更合理的預報偏差。

3 最優百分位融合產品的改進

3.1 基于降水預報概率的改進方法

通過第2節分析可知，雖然較大的強降水落區預報可獲得更高TS，但卻存在較多空報，因此從集合降水的預報不確定性信息出發，在融合產品對應的分位數達到暴雨以上時，進一步引入某一較小量級降水的預報概率(預報該量級降水的成員數占總成員數比例)作為判別融合產品強降水預報是否存在明顯空報的判據。使用某一量級的降水概率而非另一個常用的體現不確定性的指標——集合離散度(Spread)的原因為：(1)集合離散度與預報量的大小密切相關(彭相瑜等，2014)，當模式預報某一區域降水量級較大時，離散度也較大，但對于強降水預報(如大雨以上預報)，其可信度卻是相對較小的，因此離散度體現的是降水量預報的不確定性，而非強降水事件預報的不確定性；(2)在實際試驗中，該指標與強降水預報空報率密切相關，但離散度與強降水預報空報率的相關性較小(見圖5相關分析)。因此使用該指標，而非離散度，可獲得更優的改進效果。為進一步將該指標應用到客觀訂正中，引入以降水量級P的預報概率為判別依據的指標，公式如下：

(2)

式中：Si,j為ECMWF集合預報在格點(i,j)對大于降水閾值P的預報概率;N為集合成員總數;Ji,j,n為第n個成員在空間格點(i,j)上是否大于量級降水P的預報判據;Fi,j,n第n個成員在空間格點(i,j)上的24 h降水量預報。該指標在[0,1]范圍內變化，值越大，對于該量級降水預報概率越高，反之則越小。

為體現指標與強降水空報的關系，以P=10 mm為判據，對2013—2017年訓練期的100%分位產品的暴雨預報站點，按照S大小劃分為3組數據，具體劃分標準見表1，3組數據的樣本量分別為10.6×104、11.3×104和1.9×104。檢驗3組數據的TS和FAR(圖4)，可見S較大的樣本對應較高的暴雨預報TS，3組樣本對于暴雨量級預報的TS分別為0.313、0.214和0.126。低指標樣本的誤差主要來自于對暴雨的過度空報，從圖4b可見，對于所有降水預報量級的FAR，當預報降水量≥10 mm概率逐漸減小時，對應樣本的FAR也逐漸增大。

表1 不同樣本組分類標準Table 1 Criteria of different sample groups

依據指標S剔除某一固定閾值降水預報概率較低的樣本，可有效減少空報站點數量，但會同時舍棄一部分暴雨命中樣本，降低命中率，因此理想的改進方案是在降低空報率和提升命中率之間取得一個平衡。以降水量級為10 mm為例，圖5a為指標S在不同閾值以下，命中站點與空報站點的數目。對于S≤0.3的樣本，命中的站點數目為零，空報站點數目為134個，隨著S逐漸增大，空報命中比呈逐漸下降的趨勢，因此若對S設置固定閾值，作為可接受的消空標準，則閾值設置越高，空報命中比越低，消空代價越高。與之相對，若嘗試以離散度作為消空指標，則無論是對于高離散度或低離散度樣本，模式預報暴雨的命中樣本與空報樣本數量均相當(圖5b)，即空報命中比與離散度相關性小，無有效改進作用。

指標S對應的最優的降水閾值與概率閾值應通過試驗得到。圖6為應用不同的雨量閾值，變化不同概率閾值計算最優Bias(Bias最接近1)，將該Bias所對應的概率閾值作為最優消空概率，同時計算對應條件下的最優TS評分和FAR。從圖中可見，在較小雨量閾值的范圍內(0～30 mm)，最優TS總體維持在較高水平；而當雨量閾值超過30 mm時，TS開始迅速下降，主要原因為空報數量顯著增多。雨量閾值在1～30 mm時，對最優TS的影響不大，并均成功地將Bias降至接近1的水平。對于不同預報時效的融合產品，經客觀檢驗得到的雨量閾值和最優概率閾值分別見表2。

圖4 不同樣本組的TS(a)與FAR(b)檢驗對比Fig.4 TS (a) and FAR (b) comparison of different sample groups

圖5 命中/空報站點數、空報命中比與降水預報概率(a)、離散度(b)關系(縱坐標軸均使用對數坐標，圖5a的降水閾值為10 mm)Fig.5 The relationship of hit frequency, false alarm frequency and ratio of hit alarms and false alarms with index S and ensemble spread(The y-axis is expressed in logarithmic coordinates， the precipitation threshold in Fig.5a is 10 mm)

圖6 最優Bias條件下FAR、TS和對應概率閾值與降水閾值關系(最優Bias條件即Bias最接近1)Fig.6 Plots of FAR, TS and proportion thresholds corresponding to different precipitation thresholds under the optimal Bias condition(The optimal Bias condition is that Bias is closest to 1)

表2 不同預報時效對應S指標閾值Table 2 Thresholds of index S corresponding to different forecast time

在業務應用中，首先應用ECMWF集合預報計算最優百分位融合產品；然后對融合產品預報的每個暴雨量級以上(≥50 mm)格點，按照表2的雨量閾值計算指標S，若S小于表2的概率閾值，則對該格點的暴雨進行消空，替代的雨量值為在最優百分位融合過程[參考式(1)]中更低融合級別的非暴雨雨量，以48 h預報時效的產品為例，步驟先后順序如下：(1)若大雨融合量級對應的80%分位數產品雨量值<50 mm，即使用80%分位數雨量進行替代；(2)若80%分位數產品雨量值>50 mm，且中雨融合量級對應的50%分位數產品雨量值<50 mm，使用50%分位數進行替代；(3)若50%分位數產品雨量值>50 mm，使用小雨融合量級對應的10%分位數進行替代。

3.2 改進效果

基于固定閾值降水預報概率的改進方法能在維持較高TS評分基礎上，有效降低融合產品過高的Bias，改善產品過度空報的現象，對于較大量級的降水，效果更加明顯。以預報時效為48 h的改進后融合產品(表3)為例，改進前融合產品暴雨和大暴雨的訓練期、測試期Bias分別為1.50、1.27和2.09、1.31；改進后上述產品測試期的Bias分別下降至1.06、1.03和1.66、0.93，FAR也有同步的下降。TS評分也得益于空報率的下降，改進后產品均較改進前略有提升。但對于大雨量級，該改進方案的效果較不明顯，無論是訓練期或測試期，FAR降低均不顯著，TS也沒有明顯變化。另外，改進后產品POD也存在一定程度的下降，以訓練期暴雨為例，POD從0.61降至0.55，測試期暴雨POD則從0.59 降至0.57。從多組預報數據(圖7)的檢驗可知，損失的命中數均未導致TS的下降。

為檢驗該改進方案在長時效降水預報中的效果，對48、72、96和120 h預報時效的最優百分位融合產品，分別檢驗改進前后效果。圖7為不同時效融合產品改進前后TS與Bias的變化，可見隨著預報時效增長，TS提升幅度與Bias的下降幅度均不斷增大，并且在更大的降水量級(如暴雨或大暴雨)，該特征更明顯。以訓練期為例，預報時效為120 h的融合產品的暴雨Bias達到了2.76，大暴雨Bias達5.1；改進后Bias分別下降至0.99和1.75，大幅減少了強降水空報，暴雨、大暴雨TS評分也因此分別從0.17、0.05提升至0.26、0.1。在測試期，改進方案也使暴雨TS從0.26提升至0.34，大暴雨TS從0.15提升至0.19。

表3 訓練期(2013—2017年臺風降水日)與測試期(2018—2019年臺風降水日)融合產品改進前后檢驗對比Table 3 Comparison of the optimal percentile fusion products and revised fusion products in training period (typhoon rainfall days in 2013-2017) and test period (typhoon rainfall days in 2018-2019)

圖7 訓練期(a，c，e)與測試期(b，d，f)不同預報時效融合產品改進前后大雨(a，b)、暴雨(c，d)、大暴雨(e，f)檢驗結果對比Fig.7 Comparison of the verification results of heavy rain (a, b), torrential rain (c, d) and severe torrential rain (e, f) before and after the revision by the fusion products at different forecast lead times in training period (a, c, e) and test period (b, d, f)

改進方案在更長時效應用效果更優的可能原因是遠距離臺風路徑以及強降水落區預報的不確定性更大，因此融合產品的在大量級降水落區也更加偏大，這一特征在圖1的檢驗結果也有所體現。在這一背景下，應用S指標的改進效果更優， Bias或TS改進幅度均更大，可見其在遠距離臺風的降水預報中，具有更大的應用潛力。

在實際日降水量的后處理中，該方法也取得較好效果。從表4可見，2018年臺風降水日共有13 d，其中存在明顯空報(Bias>1.5)的有7 d，改進后，7個樣本日的Bias均顯著下降，同時TS提升明顯，體現了該方法抑制空報的作用。需要注意的是，模式和集合預報產品的降水誤差均是多方面的，以“艾云尼”為例，集合預報系統對于預報時效為72 h的路徑預報較實際路徑更偏西，導致融合產品暴雨區與實況出現了位置偏移，強降水TS評分較低。另外在某些情況下，模式對華南的臺風降水容易出現低估。上述兩種情況均會導致改進方案失效。

以6月6日、8月11日為例，改進后產品TS反而有所下降，原因均為出現明顯漏報。這兩個臺風降水漏報日的環流形勢有一定相似性，分別對應1804號臺風艾云尼和1816號臺風貝碧嘉；兩臺風中心均位于南海西北部海面，臺風東側的偏南或東南氣流攜帶南海豐富的水汽匯入內陸，在地形和山脈作用下產生迎風坡降水增幅。在數值模式中，由于初始分析資料不夠準確、模式分辨率較低或物理過程不完善等原因，會導致地形降水模擬的準確性下降(Fang et al，2011)，評估也表明ECMWF模式對這一類降水常出現低估(徐燚等，2019)，導致百分位融合方法得到的降水預報也存在偏低的態勢。在這種情況下，使用改進方法反而進一步增加漏報，導致評分降低。

表4 2018年臺風降水日融合產品與改進后產品逐日檢驗對比Table 4 Daily verification of optimal percentile fusion products and revised fusion products in 2018

對于所有空報顯著的臺風降水日，該改進方法均可使融合產品的暴雨預報Bias下降， TS上升。尤其是對于臺風結構完整或路徑預報誤差較小的臺風，經過改進方法進一步處理后可得到預報范圍合適、空間位置較準確的暴雨落區。以2018年6月8日20時至9日20時的24 h改進后產品為例(圖8)，臺風艾云尼登陸后強度逐漸減弱，并在6月9日06時 停止編號。在“艾云尼”生命史最后12 h，多數成員均預報臺風及殘余環流向東北方向移動，僅有少數成員預測路徑偏西，因此應用改進方法，對降水預報概率較低的廣東佛山、肇慶的暴雨預報進行了消空(圖8b)，但較好地保留了中北部的暴雨區，與實況較為一致，改進前后TS分別為0.22與0.39，Bias 分別為2.81和1.06，體現了較好的訂正效果。

圖8 2018年6月9日20時24 h降水量實況(a)、最優百分位融合產品(b)與改進后融合產品(c)Fig.8 Daily precipitation of observation (a), optimal percentile fusion products (b) and revised fusion products (c) at 20:00 BT 9 June 2018

4 結論與討論

檢驗評估表明，基于集合預報的最優百分位融合法在登陸或嚴重影響廣東的臺風造成的降水中具有更優的表現。針對廣東臺風降水日開發最優百分位融合產品并進行檢驗，結果表明，最優百分位產品與融合產品在越長的預報時效，相對于集合平均的TS評分提升幅度越大，表明具有越大的應用潛力；更長時效的強降水預報也較弱降水預報更加穩定，但隨著預報時效增長，Bias顯著增大，空報嚴重，對于強降水的空報尤為明顯。

融合產品對強降水過度空報特征與臺風路徑預報的不確定性有很大關系。當各集合成員發散度越大時，在強降水量級采用更高百分位的融合產品預報落區也更大，導致融合產品具有明顯空報特征。引入某一降水閾值預報概率的指標可有效降低空報率，以該指標高低為標準區分3組樣本，檢驗表明3組樣本的暴雨TS和FAR具有較大差異。在指標較小的樣本組中，空報率較高，對該組暴雨樣本進行消空，損失的暴雨命中站點數量較少。應用該指標設計最優百分位法融合產品的改進方法，訓練期與測試期的改進后產品強降水預報較改進前在維持較高TS的基礎上，Bias和FAR均顯著下降，預報時效越長，融合產品Bias的改進效果越顯著，TS評分的提升幅度也越大，表明其在遠距離臺風降水預報具有更優的應用效果。

改進方法從集合預報的不確定性信息中提取指標，作為強降水的消空依據，當各成員的離散預報均勻分布在實況目標附近的情況下，改進方法能取得最優效果。但當集合預報存在其他系統偏差，如路徑預報與實況存在單側偏差，或對地形降水預報低估時，該方法適用性下降。因此在后續工作中，針對模式對臺風降水其他方面的不足，將嘗試引入其他訂正方法，并與本方法試驗融合，以增強臺風降水網格產品的穩定性。在實際業務中，預報員需了解該改進方法的局限性，通過分析流場形勢，增強對臺風及降水預報不確定性的理解，通過多渠道信息判斷方法的適用情況，以獲得最優的訂正效果。